关键连接动态:探索iEEG网络中的流入和流出

科学领域:

• 神经科学是一个神经科学.
• 发病学 (Epileptology) 是一个专业的学科.
• 计算神经科学是一种神经科学.

背景情况:

• 耐药性的治疗依赖于通过内EEG精确识别发作区域.
• 发性区域概念已经演变为发性网络,突出显示相互连接的大脑区域.
• 了解前网络动态对于优化手术结果至关重要.

研究的目的:

• 通过使用定向连接措施,研究发作区域与更广泛的网络之间的前性网络相互作用.
• 评估连接指标在识别发作区域中的有效性.

主要方法:

• 使用多中心脑内电图数据集 (243次发作,61名患者).
• 应用定向传输函数和部分定向连贯性来分析前声连接.
• 用于发作区域电极的计算流入和流出指标.

主要成果:

• 观察到两个截然不同的前发作连接模式:增加进入或突出的外流从发作区域.
• 带有网格/条纹/深度植入的患者表现显著更高 (AUC) 比单独使用ECoG或sEEG的患者.
• 病变病例显示出更高比例的高流入和高流出模式.

结论:

• 发作发生涉及大脑功能网络信息流动的动态变化.
• 前端连接模式突出显示了性过渡中的网络重组.
• 是一种网络现象,支持基于网络的手术本地化方法.